石求軍，李 靜

（吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130022）

前言

客車緊急轉(zhuǎn)向時(shí)，與乘用車相比更易發(fā)生側(cè)翻。車輛側(cè)翻一般都瞬間發(fā)生，駕駛員很難在車輛將要發(fā)生側(cè)翻時(shí)采取應(yīng)急措施。車輛電子穩(wěn)定性控制（electronic stability control，ESC）系統(tǒng)能夠在車輛將要發(fā)生側(cè)翻時(shí)，通過差動制動來實(shí)現(xiàn)對側(cè)翻的主動控制［1-2］。

在客車底盤控制中，車輛模型的精確度是影響控制效果的關(guān)鍵因素之一。但在客車防側(cè)翻控制中，普遍存在各種不確定性：建模過程中忽略一些因素帶來的不確定性，建模過程中部分參數(shù)存在參數(shù)攝動，建模過程中存在各種未知的外界干擾等。目前對于控制系統(tǒng)建模中的不確定項(xiàng)進(jìn)行估計(jì)，大多通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)［3-7］和復(fù)雜的擾動觀測器［8-9］進(jìn)行估計(jì)。對于防側(cè)翻控制，目前大多采用PID、模糊控制等不基于模型的算法［10-12］，或是復(fù)雜的最優(yōu)控制、模型預(yù)測等算法［13-16］。不基于模型的控制算法結(jié)構(gòu)簡單，但參數(shù)調(diào)節(jié)過程復(fù)雜，且算法不能根據(jù)車輛的實(shí)際工況進(jìn)行自適應(yīng)調(diào)節(jié)。標(biāo)準(zhǔn)滑?？刂疲╯liding mode control，SMC）算法結(jié)構(gòu)簡單且具有較好的魯棒性，在工程中得到廣泛的應(yīng)用，但標(biāo)準(zhǔn)的SMC算法存在抖振現(xiàn)象，抖振影響系統(tǒng)的控制精度［17］。

本文中為解決上述問題，基于客車電控氣壓制動系統(tǒng)，提出了客車防側(cè)翻徑向基神經(jīng)網(wǎng)絡(luò)自適應(yīng)滑?？刂疲╮adial basis function-adaptive sliding mode control，RBF-ADSMC）算法。首先，通過RBF神經(jīng)網(wǎng)絡(luò)對不確定項(xiàng)進(jìn)行估計(jì)；然后，利用RBF神經(jīng)網(wǎng)絡(luò)對SMC關(guān)鍵參數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)；最后，在電控氣壓制動系統(tǒng)硬件在環(huán)試驗(yàn)臺上對算法的有效性進(jìn)行驗(yàn)證。

1 客車電控氣壓制動系統(tǒng)構(gòu)型方案

本文中針對客車防側(cè)翻建立了電控氣壓制動系統(tǒng)構(gòu)型方案，如圖1所示。

圖1 電控氣壓制動系統(tǒng)

當(dāng)駕駛員踩下制動總泵，ECU通過控制前后橋的雙通道軸調(diào)節(jié)器（double channel axle modulator，DAM）實(shí)現(xiàn)對制動壓力的精確控制。本文中構(gòu)型方案的核心部件是由WABCO公司生產(chǎn)的雙通道軸調(diào)節(jié)器。圖2為DAM的結(jié)構(gòu)原理圖。

圖2 雙通道軸調(diào)節(jié)器

由圖2可知，雙通道軸調(diào)節(jié)器左右兩側(cè)完全對稱，現(xiàn)以左側(cè)為例，對雙通道軸調(diào)節(jié)器的基本結(jié)構(gòu)進(jìn)行介紹。1、2、3分別為增壓電磁閥、減壓電磁閥、備壓電磁閥，這3個(gè)電磁閥本質(zhì)上是開關(guān)電磁閥；4是壓力傳感器；5是繼動閥；6是進(jìn)氣口（過濾）；7是出氣口（高壓氣體通過氣壓管路進(jìn)入制動氣室）；8是排氣口（直接排入大氣）；9是備壓口；10、11、13分別為增壓電磁閥、減壓電磁閥、備壓電磁閥驅(qū)動信號線；12是壓力傳感器信號采集線。備壓電磁閥在電控系統(tǒng)起作用時(shí)，隔斷儲氣筒與制動總泵之間的氣路，在電控系統(tǒng)失效時(shí)，備壓電磁閥打開儲氣筒與制動總泵處的氣路，從而實(shí)現(xiàn)失效制動。雙通道軸調(diào)節(jié)器主要是通過對增壓電磁閥、減壓電磁閥的通斷進(jìn)行控制，從而實(shí)現(xiàn)對壓力的精確控制。

2 車輛系統(tǒng)建模

為設(shè)計(jì)防側(cè)翻控制策略，需建立車輛模型，綜合考慮控制精度和計(jì)算效率，選擇常用的3自由度車輛模型：側(cè)向運(yùn)動、橫擺運(yùn)動、側(cè)傾運(yùn)動，3自由度車輛模型如圖3所示［11，18］。圖中，ms為車輛簧載質(zhì)量；ay為車輛側(cè)向加速度；hs為車輛側(cè)傾中心到質(zhì)心的距離；φ為車輛側(cè)傾角；Fxf為車輛前輪受到的縱向力；Fyf為車輛前輪受到的側(cè)向力；δ為前輪轉(zhuǎn)角；Fyr為車輛后輪受到的側(cè)向力；β為車輛質(zhì)心側(cè)偏角；u為車輛縱向速度；v為車輛側(cè)向速度；αf、αr分別為前、后輪的側(cè)偏角；Fzl、Fzr分別為左、右側(cè)車輪的垂直載荷；ωr為車輛橫擺角速度；a為質(zhì)心到前軸的距離；b為質(zhì)心到后軸的距離；g為重力加速度；Cphi為等效側(cè)傾角阻尼系數(shù)；Kphi為等效側(cè)傾角剛度。

圖3 3自由度車輛模型

根據(jù)圖3，車輛側(cè)向動力學(xué)方程為

橫擺動力學(xué)方程為

側(cè)傾動力學(xué)方程為

對上面的方程進(jìn)行化簡，可得

式中：Iz為車輛繞Z軸旋轉(zhuǎn)的轉(zhuǎn)動慣量；Ixeq為車輛簧載質(zhì)量繞X軸旋轉(zhuǎn)的等效轉(zhuǎn)動慣量；Ix為車輛簧載質(zhì)量繞側(cè)傾軸旋轉(zhuǎn)的轉(zhuǎn)動慣量；kf、kr為前后軸等效側(cè)偏剛度。

3 控制策略

整個(gè)系統(tǒng)的防側(cè)翻控制策略如圖4所示，主要包括3個(gè)部分：RBF非線性擾動估計(jì)器、RBF自適應(yīng)滑?？刂破?、底層執(zhí)行機(jī)構(gòu)的邏輯門限值控制器。

圖4 控制策略

3.1 上層自適應(yīng)滑?？刂撇呗?/h3>

在車輛防側(cè)翻控制中，首先需要估算車輛發(fā)生側(cè)翻的可能性，當(dāng)檢測到車輛有側(cè)翻的可能時(shí)，才進(jìn)行相應(yīng)的控制。目前車輛橫向載荷轉(zhuǎn)移率（later load transfer，LTR）是較為常用的車輛側(cè)翻估算方式，LTR是車輛左右兩側(cè)輪胎在垂直方向的載荷之差與載荷之和的比值。

由式（8）可知，-1≤LTR≤1。當(dāng)LTR＝1時(shí)，認(rèn)為車輛右側(cè)車輪離地，此時(shí)車輛正在向左發(fā)生側(cè)翻；當(dāng)LTR＝-1時(shí)，認(rèn)為車輛左側(cè)車輪離地，車輛正在向右發(fā)生側(cè)翻。在實(shí)際控制中，一般設(shè)定｜LTR｜≥0.8的時(shí)候，車輛有發(fā)生側(cè)翻的可能，此時(shí)需要進(jìn)行防側(cè)翻控制。在實(shí)車中，一般都沒有配置車輪載荷傳感器，故需要對LTR進(jìn)行估計(jì)。根據(jù)圖3，以側(cè)傾中心O為原點(diǎn)，計(jì)算簧上質(zhì)量繞X軸的力矩平衡方程為

式中T為車輛輪距。

忽略車輛非簧載質(zhì)量，一般側(cè)傾角都較小，為了簡化計(jì)算，故做如下假設(shè)：

式中m為車輛質(zhì)量。

車輛左右兩側(cè)車輪載荷應(yīng)滿足：

綜合式（9）～式（11），有

本文中設(shè)定LTR的閾值為0.8，即當(dāng)｜LTR｜≥0.8時(shí)，車輛就有側(cè)翻的危險(xiǎn)，此時(shí)控制器需要進(jìn)行防側(cè)翻控制。本文中對于防側(cè)翻控制，主要是通過差動制動來實(shí)現(xiàn)。差動制動的本質(zhì)就是在車輛將要側(cè)翻時(shí)，通過對相應(yīng)的車輪施加制動，減小車輛的橫擺角速度，達(dá)到抑制車輛側(cè)翻的目的。故車輛橫擺角速度是一個(gè)很重要的控制變量，綜上所述，本文中選擇LTR和車輛橫擺角速度作為控制變量。

選擇滑模函數(shù)：

式中：ξ0為權(quán)衡系數(shù)，ξ0＞0；LTRd為目標(biāo)橫向載荷轉(zhuǎn)移率，LTRd＝0。

當(dāng)系統(tǒng)檢測到｜LTR｜≥0.8時(shí)，此時(shí)進(jìn)行防側(cè)翻控制，對式（6）施加附加橫擺力矩ΔMR。

式中d為車輛橫擺運(yùn)動的集成非線性擾動項(xiàng)，包括簡化車輛模型、忽略外界干擾、參數(shù)攝動而引起的各種非線性擾動，d有界，｜d｜≤D，D＞0。

選取指數(shù)滑模趨近律為

式中：k＞0；ε＞0。

對滑模函數(shù)求導(dǎo)，由式（13）～式（15）有

式中：f（t）為包含車輛狀態(tài)的集成項(xiàng)；g（t）為車輛繞Z軸旋轉(zhuǎn)慣量項(xiàng)。

由式（19）可知集成非線性擾動項(xiàng)d0有界，滿足｜d0｜≤D0，D0＞0。綜上可得，防側(cè)翻的附加橫擺力矩控制器為

防側(cè)翻控制的附加橫擺力矩控制器由連續(xù)項(xiàng)Ucon和不連續(xù)項(xiàng)Udis兩部分組成，其中Udis不連續(xù)項(xiàng)中包含的符號項(xiàng)是引發(fā)滑?？刂贫墩竦闹饕颉?/p>

現(xiàn)在證明式（20）系統(tǒng)在式（21）防側(cè)翻控制的附加橫擺力矩控制器控制下的Lyapunov有限時(shí)間穩(wěn)定性，選擇Lyapunov函數(shù)為

對Lyapunov函數(shù)進(jìn)行求導(dǎo)可得

由式（23）可知，當(dāng) ε≥D0時(shí)，式（20）系統(tǒng)在式（21）防側(cè)翻附加橫擺力矩作用下能滿足Lyapunov有限時(shí)間穩(wěn)定性。但是D0是集成擾動項(xiàng)d0的上邊界，d0中包含各種非線性擾動項(xiàng)，其中就包含kf和kr的參數(shù)攝動項(xiàng)，這個(gè)數(shù)值一般較大，故可知D0一般數(shù)值較大，為滿足式（23）需要選擇較大的ε，較大的ε會引發(fā)大的滑模抖振現(xiàn)象，滑模抖振現(xiàn)象會影響控制精度。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，可以以任意精度逼近任意的非線性函數(shù)。為盡量減小滑?？刂频亩墩瘳F(xiàn)象，提高實(shí)際控制精度，本文中利用RBF神經(jīng)網(wǎng)絡(luò)算法對集成非線性擾動項(xiàng)d0進(jìn)行估計(jì)。選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-5-1結(jié)構(gòu)［17］。RBF神經(jīng)網(wǎng)絡(luò)輸出和高斯基函數(shù)分別為

采用RBF神經(jīng)網(wǎng)絡(luò)逼近d0，算法如下。

式中：W*為網(wǎng)絡(luò)的理想權(quán)值；δ0為網(wǎng)絡(luò)逼近誤差，｜δ0｜≤δ01，一般 δ01是一個(gè)較小的正數(shù)。

估算的網(wǎng)絡(luò)輸出為

聯(lián)合式（26）和式（20），可得防側(cè)翻控制力矩為

現(xiàn)證明在防側(cè)翻控制力矩作用下系統(tǒng)的Lyapunov穩(wěn)定性。

將式（27）代入到式（20），可得

選擇Lyapunov函數(shù)為

式中 γ＞0。

對Lyapunov函數(shù)求導(dǎo)，由式（26）～式（30）可得

對于式（31），取 ε＞δ01，取自適應(yīng)律為

將式（32）代入到式（31）可得

綜上可得，系統(tǒng)在式（27）防側(cè)翻控制力矩的作用下，能夠保證系統(tǒng)的Lyapunov穩(wěn)定性。

由式（23）可知，若對于車輛集成非線性擾動項(xiàng)不進(jìn)行估計(jì)，則滑模函數(shù)趨近律須滿足ε≥D0，此時(shí)ε需要取較大的值。由式（27）～式（33）可知，而利用RBF神經(jīng)網(wǎng)絡(luò)對集成非線性擾動項(xiàng)進(jìn)行估計(jì)，此時(shí)滑模函數(shù)趨近律只須滿足ε＞δ01，而δ01一般較小。ε是滑模函數(shù)符號項(xiàng)的系數(shù)，ε取較小值，可以減小滑模函數(shù)的抖振。故通過RBF神經(jīng)網(wǎng)絡(luò)對集成非線性擾動項(xiàng)進(jìn)行估計(jì)，可以減小滑模抖振，提高控制精度。

在傳統(tǒng)滑模控制的趨近律中，參數(shù)k是影響滑?？刂期吔俣鹊年P(guān)鍵參數(shù)之一，參數(shù)k的選擇比較重要。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單不僅具有萬能逼近特性，還具有自適應(yīng)調(diào)節(jié)能力，通過RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)調(diào)節(jié)參數(shù)k，可以簡化參數(shù)k的調(diào)節(jié)過程，優(yōu)化滑?？刂频捻憫?yīng)特性，減小系統(tǒng)的抖振，從而提高控制精度。RBF神經(jīng)網(wǎng)絡(luò)采用2-5-1結(jié)構(gòu)［17］。

RBF神經(jīng)網(wǎng)絡(luò)的輸入向量為

hj為隱含層第j個(gè)神經(jīng)元的輸出，j＝1，2，3，4，5。

式中：cj＝［cj1cj2］為第j個(gè)隱含層神經(jīng)元的中心矢量值；bj＞0為隱含層神經(jīng)元j的高斯基函數(shù)的寬度，其中神經(jīng)網(wǎng)絡(luò)的權(quán)值為ωj。

RBF神經(jīng)網(wǎng)絡(luò)輸出和逼近誤差指標(biāo)［17］分別為

通過梯度下降法對RBF神經(jīng)網(wǎng)絡(luò)權(quán)、高斯基函數(shù)寬度、隱含層神經(jīng)元中心矢量值進(jìn)行調(diào)節(jié)。

權(quán)值變化、高斯基函數(shù)寬度參數(shù)變化、隱含層神經(jīng)元中心節(jié)點(diǎn)參數(shù)變化分別為

式中：i＝1，2；η∈（0，1）為RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率。

由上可計(jì)算得到防側(cè)翻的附加橫擺力矩，車輛外前輪的制動效率最高，本文中采用單輪制動來降低車輛的橫擺角速度，從而防止車輛發(fā)生側(cè)翻，具體如表1所示。

表1 單輪制動車輪選擇邏輯

3.2 底層執(zhí)行機(jī)構(gòu)控制策略

由圖2可知，雙通道軸調(diào)節(jié)器本質(zhì)上是由增壓閥、減壓閥和備壓閥3個(gè)開關(guān)電磁閥組成的。邏輯門限值控制方法，簡單且實(shí)用，在開關(guān)電磁閥控制上得到廣泛的應(yīng)用。本文中對于雙通道軸調(diào)節(jié)器的增壓閥、減壓閥和備壓閥采用如表2所示的控制邏輯。

表2 雙通道軸調(diào)節(jié)器控制邏輯

表2中pa是壓力傳感器測量的實(shí)際氣壓壓力，pt是算法計(jì)算的目標(biāo)壓力。

4 硬件在環(huán)測試

為對算法的有效性進(jìn)行驗(yàn)證，根據(jù)圖1的構(gòu)型方案搭建了客車電控氣壓制動系統(tǒng)硬件在環(huán)（hardware in the loop，HIL）試驗(yàn)臺，圖5是HIL試驗(yàn)臺的電控連接方案，圖6是HIL試驗(yàn)臺實(shí)物圖，表3為車輛參數(shù)。HIL試驗(yàn)臺主要由氣壓制動系統(tǒng)、實(shí)時(shí)系統(tǒng)、電控系統(tǒng)組成。氣壓制動系統(tǒng)主要有制動總泵、雙通道軸調(diào)節(jié)器、制動氣室、干燥器、空氣壓縮機(jī)及氣壓管路；實(shí)時(shí)系統(tǒng)包括dSPACE Simulator系統(tǒng)、上位機(jī)；電控系統(tǒng)包括壓力傳感器、雙通道軸調(diào)節(jié)器驅(qū)動板、供電電源。在上位機(jī)Matlab中分別搭建上層RBF-ADSMC控制策略、底層邏輯門限值控制策略，在TruckSim中搭建整車模型并選擇試驗(yàn)工況。為對比RBF-ADSMC的控制效果，在相同的條件下，搭建傳統(tǒng)SMC控制策略模型。在相同條件下，在HIL試驗(yàn)臺分別對兩種算法進(jìn)行驗(yàn)證。

圖5 硬件在環(huán)試驗(yàn)臺電控連接方案

圖6 硬件在環(huán)試驗(yàn)臺

表3 車輛參數(shù)

4.1 階躍轉(zhuǎn)向試驗(yàn)

在TruckSim中選擇階躍工況，設(shè)置車速為108 km／h，路面附著系數(shù)為0.85，圖7～圖10為相關(guān)試驗(yàn)曲線。

圖7 階躍轉(zhuǎn)向轉(zhuǎn)向盤轉(zhuǎn)角

圖8 階躍轉(zhuǎn)向側(cè)向加速度

圖9 階躍轉(zhuǎn)向側(cè)傾角

圖10 階躍轉(zhuǎn)向橫擺角速度

圖7為階躍工況下的轉(zhuǎn)向盤轉(zhuǎn)角，圖8是在RBF-ADSMC、SMC和無防側(cè)翻控制下的車輛側(cè)向加速度。由圖8可知，在整個(gè)階躍試驗(yàn)過程中RBFADSMC控制下的車輛側(cè)向加速度整體小于SMC控制下的車輛側(cè)向加速度。RBF-ADSMC控制下的最大側(cè)向加速度為0.72g，SMC控制下的最大側(cè)向加速度為0.8g。沒有防側(cè)翻控制時(shí)，車輛在3.6 s時(shí)側(cè)向加速度達(dá)到最大值0.91g，隨后快速減小，在3.8 s減為0，表明此時(shí)車輛已經(jīng)發(fā)生側(cè)翻。圖9為在RBF-ADSMC、SMC和無防側(cè)翻控制下的車輛側(cè)傾角。由圖9可知，在整個(gè)階躍試驗(yàn)過程中，RBFADSMC控制下的車輛側(cè)傾角總體上小于SMC控制下的車輛側(cè)傾角。RBF-ADSMC控制下的最大側(cè)傾角為2.5°，SMC控制下的側(cè)傾角最大為2.7°。沒有防側(cè)翻控制時(shí)，車輛在轉(zhuǎn)向開始后，側(cè)傾角逐漸增大，且增大的速度越來越快開始發(fā)散。圖10是在RBF-ADSMC、SMC和無防側(cè)翻控制下的車輛橫擺角速度，當(dāng)車輛進(jìn)行轉(zhuǎn)向，有要發(fā)生側(cè)翻傾向時(shí)，RBFADSMC、SMC都會產(chǎn)生防側(cè)翻力矩，然后對相應(yīng)的車輪施加制動，車輛的橫擺角速度會減小，但RBFADSMC控制下的車輛橫擺角速度整體的減小幅度和波動幅度與SMC相比要更小一些。沒有防側(cè)翻控制時(shí)，車輛的橫擺角速度先是增大，在3.3 s達(dá)到最大，隨后快速減小直到車輛發(fā)生側(cè)翻。

4.2 魚鉤轉(zhuǎn)向試驗(yàn)

在TruckSim中選擇魚鉤工況，設(shè)置車速為108 km／h，路面附著系數(shù)為0.85，圖11～圖14為相關(guān)的曲線。

圖11 魚鉤轉(zhuǎn)向轉(zhuǎn)向盤轉(zhuǎn)角

圖12 魚鉤轉(zhuǎn)向側(cè)向加速度

圖13 魚鉤轉(zhuǎn)向側(cè)傾角

圖14 魚鉤轉(zhuǎn)向橫擺角速度

圖11為魚鉤轉(zhuǎn)向工況下的轉(zhuǎn)向盤轉(zhuǎn)角。圖12是在RBF-ADSMC、SMC和無防側(cè)翻控制下的車輛側(cè)向加速度。由圖12可知，在整個(gè)魚鉤轉(zhuǎn)向試驗(yàn)過程中RBF-ADSMC控制下的車輛側(cè)向加速度整體上小于SMC控制下的車輛側(cè)向加速度。車輛進(jìn)行第1個(gè)緊急轉(zhuǎn)向時(shí)，RBF-ADSMC控制下的最大側(cè)向加速度為0.69g，SMC控制下的最大側(cè)向加速度為0.82g。車輛在進(jìn)行第2個(gè)緊急轉(zhuǎn)向的時(shí)候，RBF-ADSMC控制下的最大側(cè)向加速度的絕對值為0.75g，SMC控制下的最大側(cè)向加速度的絕對值為0.83g。沒有防側(cè)翻控制下，車輛在進(jìn)行第2個(gè)緊急轉(zhuǎn)向后，在3.7 s的時(shí)候最大側(cè)向加速度絕對值達(dá)到0.99g，隨后發(fā)生了小幅波動，在4.2 s時(shí)，車輛側(cè)向加速度的絕對值快速減小，在4.4 s時(shí)減小為0，表明此時(shí)車輛發(fā)生了側(cè)翻。圖13為在RBF-ADSMC、SMC和無防側(cè)翻控制下的車輛側(cè)傾角，在整個(gè)魚鉤轉(zhuǎn)向試驗(yàn)過程中，RBF-ADSMC控制下的車輛側(cè)傾角總體上小于SMC控制下的車輛側(cè)傾角。車輛進(jìn)行在第1個(gè)緊急轉(zhuǎn)向時(shí)，RBFADSMC控制下的最大側(cè)傾角為2.1°，SMC控制下的最大側(cè)傾角為2.7°。車輛在進(jìn)行在第2個(gè)緊急轉(zhuǎn)向時(shí)，RBF-ADSMC控制下的最大側(cè)傾角絕對值為2.2°，SMC控制下的最大側(cè)傾角絕對值為3.3°。沒有防側(cè)翻控制下，車輛在進(jìn)行第2個(gè)緊急轉(zhuǎn)向時(shí)，側(cè)傾角絕對值急劇增長，側(cè)傾角發(fā)散。圖14是在RBFADSMC、SMC和沒有防側(cè)翻控制下的車輛橫擺角速度，當(dāng)車輛進(jìn)行轉(zhuǎn)向，有要發(fā)生側(cè)翻傾向時(shí)，RBFADSMC、SMC都會產(chǎn)生防側(cè)翻的力矩，然后對相應(yīng)的車輪施加制動，車輛的橫擺角速度減小，但是RBFADSMC控制下的車輛橫擺角速度整體的減小幅度和波動幅度與SMC相比要更小一些。沒有防側(cè)翻控制下，車輛的橫擺角速度絕對值在車輛進(jìn)行第2個(gè)緊急轉(zhuǎn)向3.7 s時(shí)增大到最大，隨后車輛橫擺角速度絕對值開始快速減小直到車輛發(fā)生側(cè)翻。

5 結(jié)論

本文中針對客車防側(cè)翻控制中實(shí)際車輛存在各種擾動難以建立精確車輛模型的問題，提出了RBFADSMC算法，先利用RBF神經(jīng)網(wǎng)絡(luò)對各種擾動進(jìn)行觀測，再利用RBF神經(jīng)網(wǎng)對滑?？刂频年P(guān)鍵參數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)，最后在電控氣壓硬件在環(huán)試驗(yàn)臺上對算法進(jìn)行有效性驗(yàn)證。硬件在環(huán)試驗(yàn)結(jié)果表明，在防側(cè)翻控制過程中，RBF-ADSMC算法和SMC算法都能滿足防側(cè)翻的控制需求，但是RBF-ADSMC算法的控制效果更好一些，能更進(jìn)一步減小車輛的側(cè)傾角、側(cè)向加速度。

為更進(jìn)一步優(yōu)化本文中算法在實(shí)車中的實(shí)際應(yīng)用效果，后續(xù)應(yīng)該在硬件在環(huán)試驗(yàn)臺和實(shí)車上進(jìn)行更多工況試驗(yàn)。